Pytorch自定义算子反向传播

有关 自定义算子的实现前面已经提到，可以参考。本文讲述自定义算子如何前向推理+反向传播进行模型训练。

自定义一个线性函数算子

线性函数 $Y=X{W}^T+B$ 定义输入M 个X变量，输出N个Y变量的线性方程组。
$X$ 为一个 1 x M 矩阵，$W$为 N x M 矩阵, $B$ 为 1xN 矩阵，根据公式，输出$Y$为1xN 矩阵。其中 W 和 B 为算子权重参数，保存在模型中。
在训练时刻，模型输入$X$ , 和监督值$Y$，根据 算子forward（）计算的$Y^p$ ，计算Loss = criterion($Y$, $Y^p$ )，然后根据backward（）链式求导反向传播计算梯度值。最后根据梯度更新W 和 B 参数。

class LinearF(torch.autograd.Function):
    @staticmethod
    def symbolic(g, input, weight, bias):
        return g.op("MYLINEAR", input, weight, bias)
    @staticmethod
    def forward(ctx, input:Tensor, weight: Tensor, bias: Tensor) -> Tensor:
        output = input @ weight.T + bias[None, ...]
        ctx.save_for_backward(input, weight)
        return output
    @staticmethod
    def backward(ctx, grad_output:Tensor)->Tuple[Tensor, Tensor, Tensor]:
        # grad_output -- [B, N] = d(Loss) / d(Y)
        input, weight = ctx.saved_tensors
        grad_input = grad_output @ weight
        grad_weight = grad_output.T @ input
        grad_bias = grad_output.sum(0)
        # print("grad_input: ", grad_input)
        # print("grad_weight: ", grad_weight)
        # print("grad_bias: ", grad_bias)

        return grad_input, grad_weight, grad_bias

如何实现反向传播

前向推理比较简单，就根据公式来既可以。反向传播backward() 怎么写呢？
反向传播有两个输入参数，第一个为ctx，第二个grad_output，grad_output就是对forward() 输出output 的求导，如果是最后的节点，那就是loss对输出的求导，否则就是下一层对输出求导，输出grad_input, grad_weight, grad_bias则分别对应了forward的输入input、weight、bias的梯度。这很容易理解，因为是在做链式求导，LinearFunction是这条链上的某个节点，输入输出的数量和含义刚好相反且对应。
根据公式：
$Y=X{W}^T+B$
Loss = criterion($Y_{}^t$, $Y_{}$ )， 假设我们选择判别函数为L2范数，Loss = ${\sum }_{j=0}^{N}0.5\ast (Y_j^t-Y_j{)}^2$

grad_output(j) = $\frac{d(Loss)}{d(Y_j)}$ = $Y_j^t-Y_j$

其中$Y_j^t$为监督值，$Y_j$为模型输出值。

根据链式求导法则， 对输入$X_i$ 的求导为：

grad_input[i] =${\sum }_{j=0}^N\frac{d(Loss)}{d(Y_j)}\ast \frac{d(Y_j)}{d(X_i)}$=${\sum }_{j=0}^{N}grad\_output[j]\ast \frac{d(Y_j)}{d(X_i)}$

$\frac{d(Y_j)}{d(X_i)}$ 即为 $W_{ij}^T=W_{ji}$

其中i 对应X维度, j对应输出Y维度。

最后整理成矩阵形式：

$grad\_input=grad\_output\ast W$

同理：
$grad\_weight={grad\_output}^T\ast X$

$grad\_bias={\sum }_{q=0}^{N}grad\_output$

最后根据公式形式得到backward(）函数。

反向传播的梯度求解还是不容易的，一不小心可能算错了，所以务必在模型训练以前检查梯度计算的正确性。pytorch提供了torch.autograd.gradcheck方法来检验梯度计算的正确性。

其他参考文献：pytorch自定义算子实现详解及反向传播梯度推导

最后根据自定义算子，搭建模型，训练模型参数W，B。并导出onnx。参考代码如下：

import torch
from torch import Tensor
from typing import Tuple
import numpy as np
class LinearF(torch.autograd.Function):
    @staticmethod
    def symbolic(g, input, weight, bias):
        return g.op("MYLINEAR", input, weight, bias)
    @staticmethod
    def forward(ctx, input:Tensor, weight: Tensor, bias: Tensor) -> Tensor:
        output = input @ weight.T + bias[None, ...]
        ctx.save_for_backward(input, weight)
        return output
    @staticmethod
    def backward(ctx, grad_output:Tensor)->Tuple[Tensor, Tensor, Tensor]:
        print("grad_output: ", grad_output)
        # grad_output -- [B, N] = d(Loss) / d(Y)
        input, weight = ctx.saved_tensors
        grad_input = grad_output @ weight
        grad_weight = grad_output.T @ input
        grad_bias = grad_output.sum(0)
        return grad_input, grad_weight, grad_bias

#对LinearFunction进行封装
class MyLinear(torch.nn.Module):
    def __init__(self, in_features: int, out_features: int, dtype:torch.dtype) -> None:
        super().__init__()
        self.in_features = in_features
        self.out_features = out_features
        self.weight = torch.nn.Parameter(torch.empty((out_features, in_features), dtype=dtype))
        self.bias = torch.nn.Parameter(torch.empty((out_features,), dtype=dtype))
        self.reset_parameters()
        # self.weight = torch.nn.Parameter(torch.Tensor([2.0, 3.0]))
        # self.bias = torch.nn.Parameter(torch.Tensor([4.0]))
        #y = 2 * x1 + 3 * x2 + 4
    def reset_parameters(self) -> None:
        torch.nn.init.uniform_(self.weight)
        torch.nn.init.uniform_(self.bias)

    def forward(self, input: Tensor) -> Tensor:
        # for name, pa in self.named_parameters():
        #     print(name, pa)
        return LinearF.apply(input, self.weight, self.bias)  # 在此处使用

if __name__ == "__main__":
    device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
    print(device.type)
    model = MyLinear(2, 1, dtype=torch.float64).to(device)
    # torch.Tensor 默认类型为float32,使用gpu时，输入数据类型与W权重类型一致，否则报错
    # torch.Tensor([3.0, 2.0].double() 转换为float64
    #input = torch.Tensor([3.0, 2.0], ).requires_grad_(True).unsqueeze(0).double()
    #input = input.to(device)
    #assert torch.autograd.gradcheck(model, input)
    import torch.optim as optim
    #定义优化策略和判别函数
    optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9, weight_decay=5e-4)
    criterion = torch.nn.MSELoss()
    for epoch in range(300):
        print("************** epoch: ", epoch , " ************************************* ")
        inputx = torch.Tensor(np.random.rand(2)).unsqueeze(0).double().to(device)
        lable = torch.Tensor(2 * inputx[:, 0] + 3 * inputx[:, 1] + 4).double().to(device)
        print("outlable", lable)
        optimizer.zero_grad()  # 梯度清零
        prob = model(inputx)
        print("prob", prob)
        loss = criterion(lable, prob)
        print("loss: ", loss)
        loss.backward()  #反向传播
        optimizer.step() #更新参数

    # 完成训练
    model.cpu().eval()
    input = torch.tensor([[3.0, 2.0]], dtype=torch.float64)
    output = model(input)
    torch.onnx.export(
        model,  # 这里的args，是指输入给model的参数，需要传递tuple，因此用括号
        (input,),
        "linear.onnx",  # 储存的文件路径
        verbose=True,  # 打印详细信息
        input_names=["x"],  #为输入和输出节点指定名称，方便后面查看或者操作
        output_names=["y"],
        opset_version=11,  #这里的opset，指，各类算子以何种方式导出，对应于symbolic_opset11
        dynamic_axes={
            "image": {0: "batch"},
            "output": {0: "batch"},
        },
      operator_export_type=torch.onnx.OperatorExportTypes.ONNX_ATEN_FALLBACK
    )

原文地址：https://blog.csdn.net/long630576366/article/details/143944703

免责声明：本站文章内容转载自网络资源，如本站内容侵犯了原著者的合法权益，可联系本站删除。更多内容请关注自学内容网（zxcms.com）！